| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景和意义 | 第9-11页 |
| ·图像分类 | 第9页 |
| ·图像分割 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·图像分类和分割的评价标准 | 第11-12页 |
| ·论文各章节安排 | 第12-13页 |
| 第二章 聚类分析和高维数据相似性研究 | 第13-21页 |
| ·聚类分析的定义及在图像分析中的应用 | 第13-14页 |
| ·常用的聚类算法 | 第14-15页 |
| ·K-means 聚类概述 | 第15-16页 |
| ·算法流程 | 第15-16页 |
| ·算法缺点 | 第16页 |
| ·高维数据的维度灾难 | 第16-18页 |
| ·维度灾难 | 第17-18页 |
| ·高维空间相似性研究 | 第18-20页 |
| ·高维空间的Lk-范数特性的讨论 | 第18页 |
| ·高维空间距离函数的重新设计 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于相似性度量的图像分类算法 | 第21-35页 |
| ·图像分类概述 | 第21-24页 |
| ·图像分类的挑战 | 第22-23页 |
| ·图像分类常用的方法 | 第23-24页 |
| ·图像分类流程 | 第24页 |
| ·图像的重新表达 | 第24-26页 |
| ·SIFT 特征 | 第25-26页 |
| ·视觉直方图 | 第26页 |
| ·支持向量机 | 第26-30页 |
| ·空间金字塔匹配在支持向量机中的应用 | 第27-28页 |
| ·空间金字塔 | 第28-30页 |
| ·基于相似性度量的图像分类 | 第30-31页 |
| ·改进的k-means 聚类 | 第30-31页 |
| ·实验结果与分析 | 第31-34页 |
| ·Caltech-101 中的10 类图像的分类实验 | 第32-33页 |
| ·Caltech-101 数据库的分类实验 | 第33页 |
| ·场景图像数据库的分类实验 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于稀疏编码的图像分类 | 第35-43页 |
| ·基于SIFT 稀疏编码的线性SPM | 第35-39页 |
| ·SIFT 编码 | 第35-37页 |
| ·线性空间金字塔匹配 | 第37-39页 |
| ·稀疏编码的执行 | 第39-40页 |
| ·SIFT 降维的稀疏编码 | 第40-41页 |
| ·基于SIFT 描述子的PCA | 第40-41页 |
| ·实验结果 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 谱聚类算法在图像分割中的应用研究 | 第43-52页 |
| ·图像分割概述 | 第43-45页 |
| ·图像分割的定义 | 第43-44页 |
| ·图像分割方法的分类 | 第44-45页 |
| ·谱聚类的基本理论 | 第45-47页 |
| ·正规化分割 | 第47-48页 |
| ·加入偏置条件的正规化分割 | 第48-52页 |
| ·图像转化为加权图 | 第48-49页 |
| ·加入偏置条件的正规化分割详解 | 第49页 |
| ·算法流程 | 第49-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·本文工作总结 | 第52页 |
| ·未来工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 发表论文和参加科研情况说明 | 第58-59页 |
| 致谢 | 第59页 |